Praproses Data Alir ADS-B dari Multi-Receiver dengan Pengelompokan Agglomerasi Berbasis Konsistensi Jarak

Praproses Data Alir ADS-B dari Multi-Receiver dengan

Pengelompokan Agglomerasi Berbasis Konsistensi Jarak

Noor Fitria Azzahra

1

, Hari Ginardi

2

, Ahmad Saikhu

3

Abstract— ADS-B is a surveillance technology for transportation. For an aircraft, ADS-B broadcasts its information simultaneously such as identity, flight number, position, altitude, velocity, etc. Due to the limited range of receiving the data, ADS-B needs multi-receiver to increase the capability of receiving data. But, the usage of multi-receiver raises new problems in the ADS-B data stream, such as redundant and outliers. These problems can reduce the quality of data received because it does not represent its actual flight conditions, in other words the nature of time-series data are blurred. This paper proposed a new method for preprocessing the data stream of the ADS-B multi-receiver to get good quality of data. The good quality of data means all unique data successfully restored and redundant data is removed, so its time-series characteristic is regained. This method used coordinate information (latitude and longitude) in ADS-B data as a reference for preprocessing. Applying agglomeration clustering techniques and the rule of distance consistency as merging strategy of the cluster, this method is able to generate the data ADS-B that represents the status of the real aircraft, which is time-series data. This simple method can generate good quality of data from the data ADS-B multi-receiver.

Intisari— ADS-B merupakan teknologi pengawasan pesawat.

Secara simultan, ADS-B menyebarkan informasi pesawat (ID, nomor penerbangan, posisi, ketinggian, kecepatan, dan lain-lain) melalui gelombang elektromagnetik. Karena terbatasnya wilayah jangkauan receiver dalam menerima data ADS-B, maka diperlukan multi-receiver untuk meningkatkan jangkauan penangkapan sinyal. Penggunaan multi-receiver ini memunculkan masalah baru dalam data alir ADS-B, antara lain data redundan dan data pencilan sehingga menyebabkan data yang diterima memiliki kualitas yang rendah karena tidak merepresentasikan kondisi sebuah penerbangan yang sebenarnya, dengan kata lain sifat timeseries pada data yang diterima menjadi kabur. Dalam makalah ini, metode baru diajukan dengan tujuan untuk praproses data alir ADS-B dari multi-receiver sehingga dihasilkan data dengan kualitas yang baik, di mana semua data unik berhasil dikembalikan sifat timeseries-nya dan data redundan berhasil dihilangkan. Metode ini memanfaatkan informasi posisi (lintang dan bujur) pesawat pada data ADS-B sebagai acuan untuk praprosesnya. Dengan teknik pengelompokan aglomerasi dan dengan aturan konsistensi jarak antar data sebagai strategi penggabungan kelompok, metode ini mampu menghasilkan data ADS-B yang merepresentasikan keadaan pesawat sebenarnya, yaitu data yang bersifat timeseries. Dengan metode yang sederhana ini dapat dihasilkan data ADS-B dari multi-receiver dengan kualitas yang baik.

Kata Kunci— agglomerasi, data alir, konsistensi jarak, kualitas

data, multi-receiver, praproses, time series.

I. PENDAHULUAN

Implementasi teknologi ADS-B memiliki permasalahan yang mempengaruhi kualitas data ADS-B yang berhasil ditangkap oleh receiver (alat penangkap sinyal). ADS-B menggunakan gelombang elektromagnetik sebagai media transmisi. Gelombang ini memiliki sifat antara lain dapat mengalami defraksi, pembiasan, pemantulan, atau penyerapan oleh atmosfer dan material lainnya yang bersifat penghalang bagi propagasi gelombang tersebut [1]. Selain itu, alat penangkap sinyal tersebut (receiver) memiliki jangkauan yang terbatas, yaitu sekitar 250-400 km untuk segala arah bergantung pada lokasinya. Permasalahan yang muncul ini dapat diatasi dengan menambah jumlah penggunaan receiver (multi-receiver) yang diletakan pada posisi yang menyebar sehingga dapat memperbesar peluang ditangkapnya data yang ditransmisikan. Disisi lain, penggunaan multi-receiver memunculkan permasalahan baru, antara lain data duplikat,

outlier, dan time different of arrival (TDOA). Data duplikat

yakni satu data yang sama yang diterima oleh server lebih dari sekali. Dalam kasus data alir time series, yang dimaksud dengan outlier adalah data yang secara kontekstual berbeda maknanya dengan data lainnya [2]. Outlier ini disebabkan oleh keterlambatan diterimanya data tersebut oleh receiver. Efek TDOA merupakan selisih waktu yang berbeda diterimanya data oleh receiver. Efek ini menyebabkan perbedaan waktu diterimanya sebuah data yang sama dari satu

receiver terhadap receiver lainnya. Ketiga permasalahan

tersebut menyebabkan hilangnya sifat time series data, dengan kata lain data yang diterima tidak merepresentasikan keadaan sebenarnya. Hal ini menyebabkan data ADS-B yang diterima dari multi-receiver memiliki kualitas yang rendah. Oleh karena itu, diperlukan praproses untuk mendapatkan kualitas data yang lebih baik.

Tahapan pertama yang perlu dilakukan dalam praproses data ADS-B adalah mengembalikan sifat time series pada data ADS-B yang terkumpul. Pengembalian sifat time series ini dapat dilakukan dengan mengurutkan data sesuai dengan kejadian sebenarnya yang dapat dilakukan dengan memanfaatkan informasi temporal pada data ADS-B. Terdapat dua informasi temporal pada data ADS-B, antara lain timestamp dan posisi pesawat (lintang dan bujur). Dalam data ADS-B, informasi timestamp tidak merepresentasikan kapan data tersebut dibuat [3], sehingga tidak dapat digunakan sebagai acuan pengurutan data. Dalam dokumen ICAO (International Civil Aviation Organization) [4], dikatakan bahwa informasi posisi pada data ADS-B dapat dikatakan informasi yang valid, sehingga dapat digunakan sebagai acuan pengurutan data. Teknik agglomerasi menggunakan informasi konektivitas untuk melakukan mengelompokan data. Konsep ini dapat diadopsi untuk mengembalikan sifat time series pada 1_{Mahasiswa, Jurusam Teknik Informatika Institut Teknologi Sepuluh}

Nopember, Kampus ITS Sukolilo Surabaya 60111 INDONESIA, (tlp: 031-5939214; fax: 031-5939363; e-mail: noorfitria@cs.its.ac.id)

2

40

J

NTETI

, Vol.4, No.1, Februari 2015

teknik aglomerasi konvensional tidak dapat digunakan secara langsung untuk memperbaiki data ADS-B karena konektivitas antar data belum mempertimbangkan urutan data tersebut dibuat, sehingga diperlukan strategi penggabungan (merging) antar kelompok yang ada.

Pada makalah ini, diusulkan sebuah metode baru yang bertujuan untuk praproses data alir ADS-B dari multi-receiver dengan menggunakan metode pengelompokan aglomerasi dengan aturan konsistensi jarak sebagai strategi penggabungan antar kelompok. Informasi posisi digunakan untuk menghubungkan satu data dengan data lainnya yang saling berdekatan. Aturan konsistensi jarak digunakan untuk penggabungan antar kelompok sehingga dapat ditentukan data mana yang lebih dulu dibuat.

Dengan melakukan praproses data alir ADS-B diharapkan data yang terkumpul memiliki kualitas data yang baik. Kualitas data yang baik dapat merepresentasikan situasi penerbangan yang sebenarnya. Sehingga, data hasil praproses dapat digunakan lebih lanjut untuk informasi lainnya. Misalnya, untuk pengaturan jadwal penerbangan, pengoptimalisasian penggunaan ruang udara, dan lain-lain dalam rangka meningkatkan keselamatan penerbangan.

II. TEKNOLOGI ADS-B

A. Teknologi ADS-B

ADS-B adalah sebuah teknologi surveillance (pengawasan) sekunder untuk alat transportasi. ADS-B bersifat otomatis karena tidak memerlukan pilot untuk menjalankan fungsi serta tidak memerlukan pemeriksaan radar dan bersifat tidak bebas (dependent) karena membutuhkan alat yang disebut transponder. Alat ini menggunakan frekuensi radio 1030MHz untuk menerima informasi dan 1090MHz untuk mentransmisikan informasi sehingga semua alat dengan frekuensi yang sama dapat menangkap informasi tersebut, mekanisme penyebaran informasi inilah yang disebut broadcast [5].

ADS-B secara kontinu (sekitar dua kali setiap detik) mengirimkan informasi berupa identitas, posisi, ketinggian, kecepatan, serta status sebuah alat transportasi [6]. Gbr 1 menjelaskan bagaimana cara kerja ADS-B pada pesawat [5]. Setiap pesawat akan menentukan posisinya melalui GNSS (Global Navigation Satelite System), selanjutnya ADS-B menyebarkan informasi tersebut melalui ADS-B Out. Informasi tersebut diterima oleh penangkap sinyal (receiver) dan ATC (Air Traffic Control). Selain mengirimkan informasi, ADS-B menerima informasi pesawat lain melalui ADS-B In.

B. Data ADS-B

Data ADS-B menyebarkan informasi identitas pesawat, posisi pesawat, kecepatan pesawat, serta kondisi pesawat seperti status penerbangan, arah gerak, status prioritas penerbangan, dan lain-lain. Gbr 2 menunjukan 83 atribut dalam data ADS-B [7]. Atribut yang akan diamati dalam penelitian ini ditunjukan dengan warna merah yang dijelaskan lebih detail pada Tabel 2.1. Pemilihan kesebelas atribut tersebut mempertimbangkan informasi penting yang dapat digunakan untuk keselamtan penerbangan.

Gbr. 1 Ilustrasi Cara Kerja ADS-B

Gbr. 2 Data ADS-B

TABEL I

PENJELASAN ATRIBUT ADS-B YANG DIGUNAKAN DALAM PENELITIAN

Atribut _Keterangan

4D0105 _{Identitas pesawat (hex code)} CLX634 _{Call Sign atau nomor penerbangan} 53,4774 _{Lokasi pesawat koordinat (latitude)} 101,5890 Lokasi pesawat koordinat (longitude)

8 _{NIC - Navigation Integrity Category} 2 NUCV - Navigation Uncertainty Category –

Velocity

33000 _{Flight Level}

476 _{Indicated Air Speed (IAS)} 472 True Air Speed (TAS)

840 Ground Speed (GS)

- Status emergensi - Status prioritas

III.METODOLOGI

Metode penelitian yang digunakan pada penelitian ini diilustrasikan pada Gbr. 3. Metode ini terdiri dari mekanisme pengumpulan data, penggunaan sliding window, sampling, penerapan algoritma aglomerasi dengan aturan penggabungan yang diusulkan, serta evaluasi hasil praproses.

4D0105:A5:CLX634:0:5:0:2:3502:53.47741:10.15890 0:8:2:F330:33000:0:0:-1525::0:0:0::42:38:0:301: 476:472:840:2:0:0:330:1013:0::0::::0:0:0::0:3:0 :7:17:1:1:1:1:0:0:317:33:-62:0:0:36:0::12:16: 93:::0:::50:8:26:26:14:36:155:::1363371039:TST

Gbr. 3 Diagram Alir Sistem Praproses Data ADS-B

A. Pengumpulan Data

Mekanisme ini mengikuti model data alir terpusat [8] seperti yang diilustrasikan oleh Gbr. 4. Terdapat empat station yang menangkap data ADS-B kemudian data tersebut dikumpulkan ke satu server. Setiap station terdiri antenna DVB-T, aplikasi RTL1090 untuk menerjemahkan data yang diterima ke dalam bentuk HTTP.

Uji coba dilakukan

pada

data primer yang telah dikumpulkan sejak tanggal 14 April 2014 sampai dengan 1 Juni 2014 di kota Surabaya, Jawa Timur. Data yang terkumpul dipilih dengan kriteria bahwa pesawat yang diujicobakan adalah pesawat komersil yang tervalidasi nomor registrasinya. Dari data tersebut, diperoleh 181 penerbangan pesawat komersil yang melintasi kawasan Surabaya.

Gbr. 4 Skema Aliran Data ADS-B

B. Penggunaan Sliding Window

Data yang mengalir diproses dengan bantuan sliding

window, yang digunakan untuk melakukan sampling pada data

yang akan diproses. Jenis sliding window yang digunakan pada penelitian ini berbasis timestamp, yakni ukuran window ditentukan berdasarkan durasi waktu [9]. Bentuk sliding

window yang digunakan adalah sliding window seperti yang

diilustrasikan pada Gbr. 5. Berdasarkan gambar tersebut, terdapat istilah slice dan range. Slice adalah sebuah jendela yang sedang diamati saat itu juga, sedangkan istilah range adalah ukuran window di mana data digabungkan (aggregate) dengan data yang telah diproses sebelumnya. Nilai slice dan

range inilah yang nantinya akan diujicobakan pada metode

yang diusulkan.

Gbr. 5. Tipe Bentuk Sliding Window

C. Sampling Data

Sampling data diperlukan dalam pemprosesan data alir. Ukuran data yang disampling disesuaikan dengan ukuran slice yang digunakan. Sehingga data yang tiba pada durasi slice, dikumpulkan kemudian diproses dengan menggunakan metode yang diusulkan.

D. Praproses Data

Tahapan praproses data alir ADS-B mengikuti skema yang ditunjukan pada Gbr. 6. Mekanisme penyimpanan data dilakukan dengan struktur linkedlist. Sejumlah data yang telah disampling sebesar ukuran slice, dihitung matriks jarak antar data dengan menggunakan formula jarak Euclidian berdasarkan fitur posisi (lintang dan bujur). Dua data yang memiliki nilai = 0 , maka data tersebut dianggap

duplikasi data, sehingga salah satunya dpaat dihapus. Kemudian, setiap data akan dianggap satu kelompok. Selanjutnya diterapkan teknik pengelompokan aglomerasi dengan kriteria single-linkage untuk menentukan anggota kelompok barunya seperti yang diformulasikan dengan (1).

min

∈ , ∈ , (1)

Setelah diperoleh kandidat anggota kelompok, langkah selanjutnya adalah mengecek kekonsistenan posisi pada data tersebut dengan anggota kelompok pada sliding window tersebut. Sliding window terdiri dari slice dan range. Slice adalah data yang saat ini sedang diproses yang nantinya akan menghasilkan satu kelompok , sedangkan range adalah data yang terproses sebelumnya yang menjadi anggota kelompok . Pengecekan ini dapat dilakukan membandingkan jarak objek kandidat dengan jarak objek-objek pada anggota kelompok dan kelompok . Aturan inilah yang berfungsi untuk mengurutkan data serta menghilangkan duplikasi data. Setelah satu sampling terproses, proses selanjutnya adalah menggabungkan kelompok dengan kelompok . Proses ini dilakukan jika ≥ 2 . Proses pengurutan dilakukan

42

J

NTETI

, Vol.4, No.1, Februari 2015

dengan mencari objek pada kelompok yang memiliki jarak terdekat dengan tail dari kelompok .

Gbr. 6 Metode Praproses Data Alir ADS-B

E. Evaluasi Hasil Praproses

Tujuan dari praproses data ADS-B adalah untuk mendapatkan data ADS-B dengan kualitas yang baik. Pada

penelitian ini digunakan dua dimensi pengukuran kualitas data, yakni dimensi akurasi, dan aktualitas.

Dimensi akurasi digunakan untuk mengetahui sejauh mana data yang dihasilkan oleh sistem merepresntasikan data

sebenarnya, sehingga definisi dari dimensi akurasi adalah jumlah data yang benar dibandingkan dengan

yang ada [10]. Data yang benar adalah data Penilaian dimensi akurasi menggunakan (2).

! = "# $ "%

&'(

"# merupakan data unik ADS-B yang terurut.

duplikat yang berhasil dihilangkan. &'( adalah jumlah data

log yang diterima oleh server.

Dimensi aktualitas diperoleh dengan memanfaatakan informasi nilai kekinian (currency) yaitu berapa lama data diproses dalam sistem. Dimensi ini diukur (3

! & & ) $ _+ '

Slice adalah durasi pengumpulan data, sehingga masa tunggu

sebelum data diproses adalah sebesar slice.

merupakan waktu yang dibutuhkan untuk memproses data setiap slice, sedangkan iterasi adalah banyaknya iterasi yang dibutuhkan untuk memproses data satu penerbangan

IV.UJI COBA

Uji coba yang dilakukan pada penelitian ini bertujuan untuk mengetahui performa metode yang diusulkan dalam meningkatkan kualitas data alir ADS-B d

Parameter ukuran sliding window yang digunakan terdiri dari

slice = {2 detik, 5 detik, 10 detik, 25 detik

{1,2,3,4,5,6}.

A. Data Uji Coba

Data yang digunakan dalam proses uji coba adalah data pesawat komersil yang dikumpulkan sejak tanggal

2014 sampai dengan 1 Juni 2014 di kota Surabaya, Jawa Timur, dengan menggunakan empat receiver

terkumpul disaring dengan syarat:

• Keempat receiver aktif secara bersamaan.

• ID pesawat teregistrasi dengan melakukan pengecekan pada portal airframes.org.

• Rute pesawat tervalidasi dengan melakukan pengecekan pada maskapai penerbangan atau pada portal flightradar24.com.

Dari penyaringan tersebut, dihasilkan 181 data penerbangan yang akan digunakan untuk proses uji coba.

B. Hasil Uji Coba

Gbr. 7 menjelaskan tentang hasil praproses pada penerbangan dengan ID 8A01C9 dan Callsign

Nilai akurasi dengan parameter slice 2 detik memiliki akurasi terendah jika dibandingkan dengan parameter

Selanjutnya, dari grafik tersebut dapat dilihat bahwa semakin besar ukuran range, maka nilai akurasi yang dihasilkan juga semakin meningkat.

Tren ini juga berlaku untuk hasil praproses pada penerbangan lainnya. Perbedaan penggunaan parameter dan range menyebabkan perbedaan jumlah data yang digunakan untuk mengecek kekonsistenan jarak satu calon kandidat dengan anggota kelompok lainnya. Semakin banyak sebenarnya, sehingga definisi dari dimensi akurasi adalah jumlah data yang benar dibandingkan dengan jumlah data unik yang terurut. ).

(2)

B yang terurut. "% adalah data

adalah jumlah data aktualitas diperoleh dengan memanfaatakan ) yaitu berapa lama data

(3). (3)

adalah durasi pengumpulan data, sehingga masa tunggu

slice. Istilah _,-./0/

merupakan waktu yang dibutuhkan untuk memproses data sedangkan iterasi adalah banyaknya iterasi yang dibutuhkan untuk memproses data satu penerbangan.

Uji coba yang dilakukan pada penelitian ini bertujuan untuk mengetahui performa metode yang diusulkan dalam B dari multi-receiver. yang digunakan terdiri dari 2 detik, 5 detik, 10 detik, 25 detik} dan range =

Data yang digunakan dalam proses uji coba adalah data sejak tanggal 14 April di kota Surabaya, Jawa

receiver. Data yang

aktif secara bersamaan.

ID pesawat teregistrasi dengan melakukan pengecekan Rute pesawat tervalidasi dengan melakukan pengecekan pada maskapai penerbangan atau pada portal Dari penyaringan tersebut, dihasilkan 181 data penerbangan yang akan digunakan untuk proses uji coba.

menjelaskan tentang hasil praproses pada

Callsign AWQ7527.

2 detik memiliki akurasi terendah jika dibandingkan dengan parameter slice lainnya. Selanjutnya, dari grafik tersebut dapat dilihat bahwa semakin maka nilai akurasi yang dihasilkan juga

Tren ini juga berlaku untuk hasil praproses pada Perbedaan penggunaan parameter slice menyebabkan perbedaan jumlah data yang digunakan untuk mengecek kekonsistenan jarak satu calon kandidat dengan anggota kelompok lainnya. Semakin banyak

data yang digunakan, maka semakin akuratlah hasil yang didapat.

Gbr. 7Grafik Nilai Akurasi Penerbangan dengan AWQ7527

Gbr. 8 menunjukan rata-rata hasil akurasi praproses data ADS-B secara keseluruhan. Pada gamber tersebut tampak bahwa parameter slice 2 detik tidak mampu menghasilkan hasil akurasi yang maksimal ( !

detik dapat mencapai nilai akurasi maksimal dengan parameter ( 6. Selanjutnya, parameter

dapat mencapai nilai akurasi maksimal dengan menggunakan parameter ( 24,5,65. Sedangkan paramet

detik, mencapai nilai akurasi maksimal dengan menggunakan parameter ( 22,3,4,5,6

yang digunakan maka semakin besar nilai akurasinya. Hal ini juga berlaku pada penggunaan variasi parameter

digunakan. sehingga dapat disimpulkan bahwa, semakin besar ukuran sliding window yang digunakan, maka semakin tinggi tingkat akurasi yang dihasilkan.

Gbr. 8Grafik Rata-Rata Tabel II menjelaskan tentang rata

yang dibutuhkan untuk memproses data setiap iterasinya. Parameter slice 2, 5 dan 10 detik tidak terdapat perbedaan waktu yang signifikan untuk praproses. Sedangkan parameter 25 detik membutuhkan waktu yang cukup signifikan, yakni sekitar 3 hingga 4 detik.

0,84 0,86 0,88 0,90 0,92 0,94 0,96 0,98 1,00 1,02 0 2 4 A k u ra si Ukuran Range 0,86 0,88 0,9 0,92 0,94 0,96 0,98 1 1,02 2_1 2_3 2_5 5_1 5_3 5_5 R a ta -R a ta A k u ra si

variasi parameter slice_range

data yang digunakan, maka semakin akuratlah hasil yang

kurasi Penerbangan dengan ID 8A01C9 dan Callsign

rata hasil akurasi praproses data Pada gamber tersebut tampak 2 detik tidak mampu menghasilkan

! 1). Parameter slice 5

detik dapat mencapai nilai akurasi maksimal dengan . Selanjutnya, parameter slice 10 detik dapat mencapai nilai akurasi maksimal dengan menggunakan . Sedangkan parameter slice 25 detik, mencapai nilai akurasi maksimal dengan menggunakan

65. Semakin besar ukuran slice

yang digunakan maka semakin besar nilai akurasinya. Hal ini juga berlaku pada penggunaan variasi parameter range yang digunakan. sehingga dapat disimpulkan bahwa, semakin besar yang digunakan, maka semakin tinggi tingkat akurasi yang dihasilkan.

Rata Nilai Akurasi 181

II menjelaskan tentang rata-rata lamanya waktu ng dibutuhkan untuk memproses data setiap iterasinya. Parameter slice 2, 5 dan 10 detik tidak terdapat perbedaan waktu yang signifikan untuk praproses. Sedangkan parameter 25 detik membutuhkan waktu yang cukup signifikan, yakni

6 8 Ukuran Range Slice 2.0 Slice 5.0 Slice 10.0 Slice 25.0 10_1 10_3 10_5 25_1 25_3 25_5 variasi parameter slice_range

44

J

NTETI

, Vol.4, No.1, Februari 2015

TABEL II

RATA-RATA WAKTU PRAPROSES Slice

(detik) Range

Lama Proses Running (milidetik) 2 1 21 2 45 3 15 4 15 5 14 6 16 5 1 26 2 239 3 18 4 19 5 18 6 19 10 1 55 2 42 3 40 4 43 5 44 6 42 25 1 3140 2 3523 3 4703 4 3145 5 3070 6 3016 V. PEMBAHASAN

Dari Gbr. 8 diperoleh kesimpulan bahwa praproses data alir ADS-B memberikan akurasi maksimal dapat dicapai pada

slice 5, 10, dan 25 detik. Hal ini dikarenakan semakin besar

nilai slice dan semakin besar nilai range akan menambah data yang akan dijadikan pembanding untuk menentukan apakah sebuah kandidat anggota kelompok dapat digabungkan dengan kelompoknya. Jika data dianggap duplikat dengan anggota kelompok, maka data tersebut batal menjadi kandidat anggota kelompok. Hal ini juga berlaku apabila data tidak memenuhi kekonsistenan jarak antara data tersebut dengan anggota kelompok. Oleh karena itu, semakin banyak data yang dijadikan pembanding, maka data duplikat dan outlier semakin banyak tereleminasi. Dengan nilai akurasi yang baik, maka dihasilkan data unik ADS-B yang bersifat time series.

Berdasarkan (2), nilai aktualitas terbaik diindikasikan

dengan semakin sedikitnya waktu yang dibutuhkan untuk pemprosesan. Berdasarkan parameter slice, nilai aktualitas terbaik adalah slice 2 detik. Berdasarkan Tabel II, lamanya proses running setiap iterasinya tidak berbeda jauh, kecuali pada slice 25 detik yang membutuhkan waktu proses rata-rata 3 hingga 4 detik.

Pada penelitian ini, digunakan dua dimensi kualitas data, yakni aktualitas dan akurasi. Kedua dimensi tersebut dapat dicapai dengan menggunakan parameter slice 5 detik dengan

range = 6, di mana waktu yang dibutuhkan adalah 5 detik dan

dapat menghasilkan nilai akurasi sempurna. VI.KESIMPULAN

Pada makalah ini, dijelaskan mengenai metode baru untuk melakukan praproses data alir ADS-B yang berasal dari

multi-receiver. Metode yang diusulkan menggunakan teknik

pengelompokan aglomerasi dengan menambahkan aturan konsistensi jarak sebagai strategi penggabungan kandidat kelompok dengan kelompok yang sedang diproses dan penggabungan antara kelompok yang sedang diproses.

Dari hasil evaluasi diperoleh bahwa nilai aktualitas terbaik diindikasikan semakin sedikitnya waktu yang dibutuhkan untuk memproses data setiap iterasinya. Sedangkan nilai akurasi terbaik ketika semua data unik berhasil diurutkan dan data duplikat berhasil dihilangkan, sehingga diperoleh data ADS-B yang bersifat time series yang merepresentasikan keadaan sebenarnya.

Dalam data ADS-B yang telah diproses masih banyak terdapat data yang tidak lengkap (missing value). Sehingga, disarankan untuk melanjutkan penelitian untuk mengetahui metode yang tepat untuk menangani ketidaklengkapan data. Selain itu, diperlukan juga penelitian untuk memprediksi waktu data tersebut dibuat, sehingga data ADS-B yang diterima benar-benar merepresentasikan keadaan pesawat sebenarnya. Data yang merepresentasikan keadaan yang sebenarnya dapat digunakan sebagai informasi dalam rangka meningkatkan keselamatan penerbangan.

REFERENSI

[1] C. Haslett, Essentials of radio wave propagation, Cambridge: Cambridge University Press, 2008.

[2] S. Sadik och L. Gruenwald, ”Research Issues in Outlier Detection for Data Streams,” SIGKDD Explorations, vol. 15, nr 1, pp. 33-40, 2013. [3] G. e. a. de Miguel Vela, ”Integration of ADS-B surveillance data in

operative multiradar tracking processors,” i Proceedings of the 11 th

International Conference on Information Fusion, 2008.

[4] ICAO, Guidance Material on Issues to be Considered in ATC Multi-Sensor Fusion Processing Including the Integration of ADS-B Data, 2008.

[5] G. Dunston, ”ADS-B Introduction,” 12 2012.

[6] ICAO, ADS-B Implementation and Operations Guidance Document Ed. 4, 2011.

[7] jetvision.de, ”RTL1090 ADS-B Software,” 2013. [Online]. Available: http://rtl1090.web99.de/homepage/index.php?way=1&site=READOUT

&DERNAME=Srv%20Table%202%20(0-44)&dm=rtl1090&USER=rtl1090&goto=1&XURL=rtl1090&WB=1& EXTRAX=X&PIDX=104415. [Använd Maret 2014].

[8] A. G. M. E. O. Srinivasan Parthasarathy, ” Survey of Distributed Mining of Data Streams,” Advances in Database Systems, pp. 289-307, 2007.

[9] D. M. Babcock, ”Sampling from a Moving Window Over Streaming Data,” i SODA '02 Proceedings of the thirteenth annual ACM-SIAM

symposium on Discrete algorithm, USA, 2002.

[10] F. Nauman, ”Quality-driven query answering for integrated information systems,” i Lecture Notes in Computer Science, vol. 2261, 2002.